論文の概要: Blind Deconvolution in Astronomy: How Does a Standalone U-Net Perform?

• arxiv url: http://arxiv.org/abs/2601.08666v1
• Date: Tue, 13 Jan 2026 15:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.265064
• Title: Blind Deconvolution in Astronomy: How Does a Standalone U-Net Perform?
• Title（参考訳）: Blind Deconvolution in Astronomy: スタンドアロンのU-Netはどのように機能するのか?
• Authors: Jean-Eric Campagne,
• Abstract要約: 本研究では、U-Netアーキテクチャが天体画像のスタンドアロンのブラインド・ツー・エンド・ブラインド・デコンボリューションを実現することができるかどうかを検討する。 現実天文学的な観測はGalSimツールキットを用いてシミュレートされる。 U-Netモデルは、様々なサイズのデータセット上で平均平方誤差(MSE)損失関数を使用してトレーニングされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aims: This study investigates whether a U-Net architecture can perform standalone end-to-end blind deconvolution of astronomical images without any prior knowledge of the Point Spread Function (PSF) or noise characteristics. Our goal is to evaluate its performance against the number of training images, classical Tikhonov deconvolution and to assess its generalization capability under varying seeing conditions and noise levels. Methods: Realistic astronomical observations are simulated using the GalSim toolkit, incorporating random transformations, PSF convolution (accounting for both optical and atmospheric effects), and Gaussian white noise. A U-Net model is trained using a Mean Square Error (MSE) loss function on datasets of varying sizes, up to 40,000 images of size 48x48 from the COSMOS Real Galaxy Dataset. Performance is evaluated using PSNR, SSIM, and cosine similarity metrics, with the latter employed in a two-model framework to assess solution stability. Results: The U-Net model demonstrates effectiveness in blind deconvolution, with performance improving consistently as the training dataset size increases, saturating beyond 5,000 images. Cosine similarity analysis reveals convergence between independently trained models, indicating stable solutions. Remarkably, the U-Net outperforms the oracle-like Tikhonov method in challenging conditions (low PSNR/medium SSIM). The model also generalizes well to unseen seeing and noise conditions, although optimal performance is achieved when training parameters include validation conditions. Experiments on synthetic $C^α$ images further support the hypothesis that the U-Net learns a geometry-adaptive harmonic basis, akin to sparse representations observed in denoising tasks. These results align with recent mathematical insights into its adaptive learning capabilities.
• Abstract（参考訳）: Aims: 本研究は,PSF(Point Spread Function)やノイズ特性の事前知識を必要とせずに,U-Netアーキテクチャがスタンドアロンの天体画像のブラインド・ツー・エンド・ブラインド・デコンボリューションを行うことができるかどうかを検討する。 我々のゴールは、訓練画像の数、古典的Tikhonovのデコンボリューション数、および様々な視聴条件と騒音レベルの下での一般化能力を評価することである。 方法: 現実天文学的な観測は、GalSimツールキットを用いてシミュレーションされ、ランダム変換、PSF畳み込み(光学効果と大気効果の両方を考慮)、ガウスホワイトノイズが組み込まれている。 U-Netモデルは、COSMOS Real Galaxy Datasetから最大4万枚までの大きさのデータセットで平均平方誤差(MSE)損失関数を使用してトレーニングされる。 性能はPSNR, SSIM, およびコサイン類似度指標を用いて評価され, 後者は2モデルフレームワークを用いて解安定性を評価する。 結果: U-Netモデルはブラインドデコンボリューションの有効性を示し、トレーニングデータセットのサイズが増加し、5000以上の画像が飽和するにつれて、パフォーマンスが一貫して向上する。 コサイン類似性解析は、独立に訓練されたモデル間の収束を明らかにし、安定した解を示す。 注目すべきは、U-Netは難解な条件(PSNR/medium SSIM)において、オラクルのようなTikhonov法よりも優れていることである。 また、トレーニングパラメータが検証条件を含む場合、最適性能が得られるが、このモデルは目に見えない視界や雑音条件によく当てはまる。 合成$C^α$画像の実験は、U-Netが幾何適応調和基底を学ぶという仮説をさらに支持している。 これらの結果は、適応学習能力に関する最近の数学的洞察と一致している。

関連論文リスト

• Cluster-Based Generalized Additive Models Informed by Random Fourier Features [19.409397281817288]
  この研究は、データ内の局所適応構造を明らかにするために、ランダムフーリエ特徴(RFF)表現を利用する一般化加法モデル(GAM)の混合を導入している。 カリフォルニアハウジング、NASA Air Self-Noise、Bike Sharingデータセットなど、実世界の回帰ベンチマークに関する数値実験は、予測性能の向上を実証している。
  論文  参考訳（メタデータ） (2025-12-22T13:15:52Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• SeNM-VAE: Semi-Supervised Noise Modeling with Hierarchical Variational Autoencoder [13.453138169497903]
  SeNM-VAEは、ペアとアンペアの両方のデータセットを利用して、現実的な劣化データを生成する半教師付きノイズモデリング手法である。 実世界の画像認識と超分解能タスクのためのペアトレーニングサンプルを生成するために,本手法を用いた。 提案手法は, 合成劣化画像の品質を, 他の不対とペアのノイズモデリング法と比較して向上させる。
  論文  参考訳（メタデータ） (2024-03-26T09:03:40Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Adaptive Denoising via GainTuning [17.72738152112575]
  画像復調のためのディープ畳み込みニューラルネットワーク(CNN)は通常、大規模なデータセットでトレーニングされる。 本稿では,大規模データセット上で事前学習したCNNモデルを,個々のテスト画像に対して適応的かつ選択的に調整する「GainTuning」を提案する。 GainTuningは、標準的な画像デノゲティングベンチマークで最先端のCNNを改善し、ホールドアウトテストセットのほぼすべての画像上でのデノゲティング性能を向上させる。
  論文  参考訳（メタデータ） (2021-07-27T13:35:48Z)
• Domain-invariant Similarity Activation Map Contrastive Learning for Retrieval-based Long-term Visual Localization [30.203072945001136]
  本研究では,多領域画像変換による領域不変特徴抽出のために,確率論的に一般アーキテクチャを定式化する。 そして、より精密な局所化のために、新しい勾配重み付き類似性活性化写像損失(Grad-SAM)を組み込んだ。 CMUSeasonsデータセットにおける提案手法の有効性を検証するために大規模な実験が行われた。 我々の性能は、最先端のイメージベースのローカライゼーションベースラインを中あるいは高精度で上回るか、あるいは上回る。
  論文  参考訳（メタデータ） (2020-09-16T14:43:22Z)
• Effect of Input Noise Dimension in GANs [7.770973053439527]
  入力雑音の寸法がGANの性能に及ぼす影響について検討する。 最適結果に対する入力雑音の適切な次元は、使用するデータセットとアーキテクチャに依存することを示す。
  論文  参考訳（メタデータ） (2020-04-15T04:56:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。